基于分尺度多输入卷积网络的含薄层岩性地震预测方法

技术领域

本发明涉及地震预测领域，尤其是涉及一种在深度学习框架下基于分尺度多输入卷积网络的含薄层岩性地震预测方法。

背景技术

传统的基于模型驱动的叠前反演和叠后地震储层预测技术受限于地震分辨率很难对薄层进行有效预测，而现有的分频地震技术只能对薄层进行定性和半定量描述，并且缺乏和叠前地震道集和多地震属性的联合使用。此外，这些方法大多依赖于物理模型，对于复杂隐蔽储层，含煤层干扰储层等情况很难进行有效识别。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于分尺度多输入卷积网络的含薄层岩性地震预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于分尺度多输入卷积网络的含薄层岩性地震预测方法，包括以下步骤：

1)建立包含井位处的岩性标签以及对应叠前和叠后地震记录数据的学习样本；

2)对叠前和叠后地震记录数据进行提取、反演和时频分析，得到卷积神经网络模型的输入数据，包括属性集、叠前地震记录数据以及分频属性数据；

3)构建分尺度多输入的卷积神经网络模型并进行训练；

4)采用训练好的卷积神经网络模型进行含薄层岩性地震预测。

所述的步骤1)中，岩性标签包括泥岩、砂岩和煤层。

所述的步骤2)中，属性集具体包括AVO截距、AVO梯度属性、纵波阻抗、纵横波速度比和瞬时地震属性。

所述的瞬时地震属性包括瞬时振幅，瞬时相位和瞬时频率。

所述的AVO截距和AVO梯度属性根据叠前地震记录数据提取得到，所述的纵波阻抗和纵横波速度比通过叠前地震记录数据进行反演得到，所述的瞬时地震属性根据叠后地震记录数据提取得到。

所述的分频属性数据通过对叠后地震记录数据进行时频分析结果提取获得。

所述的步骤3)中，以属性集、叠前地震记录数据以及分频属性数据分别作为卷积神经网络模型的三个输入，其中，属性集和叠前地震记录数据采用一维卷积结构，分频属性数据采用二维卷积结构，以防止过拟合。

所述的步骤3)中，根据学习样本中验证集的准确率调整模型学习率，并以此判断是否停止训练来防止过拟合。

根据学习样本中验证集的准确率调整模型学习率具体为：

当验证集的准确率validation accuracy在patience

learning rate

其中，learning rate

在训练过程中，初始学习率learning rate

与现有技术相比，本发明具有以下优点：

一、针对薄层大量发育储层的地震岩性预测而言，叠前地震记录可以完整地反映不同岩性的AVO变化，叠前反演得到的纵横波速度比与岩性分类也有密切的关系，叠后提取属性则可以突出煤层的影响，同时，考虑分频数据对薄层的识别能力，本发明在深度学习框架下，提出同时将叠前地震记录、叠前反演结果及叠后提取属性、分频数据作为输入，构建分尺度多输入的卷积神经网络模型，该模型可以更有效地提取多维度地震信息的高维特征，实现含薄层岩性的准确预测。

二、与统一尺度输入相比，分尺度输入可以用更少的数据维度，实现更好的预测结果，本发明的岩性预测流程不仅可以有效利用原始的叠前地震记录，同时也可以利用二维卷积结构去捕捉分频数据中的薄层信息，最终实现薄岩的有效预测。

附图说明

图1为本发明的方法流程图。

图2为分尺度多输入卷积神经网络模型的示意图。

图3为七种不同属性集作为模型输入，十口井统一训练、验证(训练集：验证集＝8：2)的砂岩F1值统计结果图。

图4为三种不同属性集和卷积方式的十口井统一训练、验证(训练集：验证集＝8：2)的预测结果图，其中，图(4a)为统一尺度卷积预测结果图，图(4b)为分尺度卷积预测结果图，图(4c)为输入属性集为分频数据、叠前地震记录、七属性集的预测结果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，本发明提供一种在深度学习框架下基于分尺度多输入卷积网络的含薄层岩性地震预测方法，提出了在深度学习框架下，同时利用叠前地震记录，叠前反演及叠后提取属性，分频数据作为模型输入，构建分尺度多输入卷积神经网络模型，实现对含薄层岩性的精细描述，具体技术流程及原理如下：

1)建立学习样本：根据钻井、测井和地震资料获取井位处的岩性(泥岩、砂岩、煤层)标签及其对应的叠前、叠后地震记录。

2)利用叠前地震数据提取AVO截距和AVO梯度属性；利用叠前反演得到纵波阻抗和纵横波速度比；利用叠后地震记录提取瞬时地震属性；对叠后地震记录进行时频分析，提取分频体属性。

3)构建分尺度多输入的卷积神经网络模型：考虑到同时利用多维度的地震记录信息预测岩性可能会导致过拟合，为防止过拟合以及实现一维卷积、二维卷积的同时利用，提出分尺度多输入的卷积模型，即叠前地震记录、叠前反演结果和叠后提取属性集、分频数据作为模型的三个输入，其中，前两者采用一维卷积结构，分频数据采用二维卷积结构。

4)利用构建的神经网络模型对步骤一的数据集进行训练和测试，并通过验证集的准确率变化指导模型学习率的变化，以及判断是否停止训练来防止过拟合。

图2为分尺度多输入卷积神经网络模型的示意图，其中左侧输入层的输入属性为七属性集(纵波阻抗，纵横波速度比，AVO截距，AVO梯度，瞬时振幅，瞬时相位，瞬时频率)，采用两层一维卷积结构+一层最大池化层；中间输入层的输入属性为叠前地震记录，同样采用两层一维卷积结构+一层最大池化层；右侧输入层的输入属性为分频数据，采用一层二维卷积结构+一层最大池化层。三个输入层经过上述卷积池化后，都会进行节点丢弃操作以防止过拟合，三条路经的所有特征在融合层拼接后进入全连接层，最后连接输出层，完成从输入到输出的正向传播。

图3为七种不同属性集作为模型输入，十口井统一训练、验证(训练集：验证集＝8：2)的砂岩F1值统计结果图，每个属性集选取三个依次增大的窗口，每个窗口进行五次重复实验，利用箱型图表示五次结果的分布，三角形代表均值，圆圈代表离群点，横线代表中位数；

横坐标1-7的输入属性集分别为，1：叠后地震记录，2：叠前地震记录，3：分频数据，4：叠后地震记录+七属性集，5：叠前地震记录+七属性集(相同尺度)，6：叠前地震记录+七属性集(分尺度)，7：分频数据+叠前地震记录+七属性集；

七属性集表示：纵波阻抗，纵横波速度比，AVO截距，AVO梯度，瞬时振幅，瞬时相位，瞬时频率；

图3的结果表明，输入属性的时间(或深度)窗口越大，意味着更多维的信息，卷积神经网络的表征效果更好；分尺度卷积(属性集6)与统一尺度卷积(属性集5)相比，砂岩F1值更高，即分尺度能够以更少的维度信息，取得更好的表征效果；分频数据的加入(属性集7)对砂岩F1值有一定的提高。

图4为三种不同属性集和卷积方式的十口井统一训练、验证(训练集：验证集＝8：2)的预测结果图，b)(分尺度)与a)(相同尺度)相比，十口井均有明显改善，特别是在十口井的下段，分尺度卷积对砂泥岩的区分度明显提高；c)(加入分频数据)与b)(未加入分频数据)相比，多口井的薄层得到改善，加入分频数据后，W1，W3，W5，W9的中下段以及W6，W7，W8的上段的薄层预测更为准确。

图3-图4通过对统计结果和预测结果的分析，证明了所提出的岩性预测流程的有效性，即分尺度卷积相比统一尺度卷积对岩性的区分能力更好，分频数据的加入能够改善模型对薄层的识别能力。